SVD实例
>> X = rand(5,7)
X =
0.9797 0.1365 0.6614 0.5828 0.2259 0.2091 0.5678
0.2714 0.0118 0.2844 0.4235 0.5798 0.3798 0.7942
0.2523 0.8939 0.4692 0.5155 0.7604 0.7833 0.0592
0.8757 0.1991 0.0648 0.3340 0.5298 0.6808 0.6029
0.7373 0.2987 0.9883 0.4329 0.6405 0.4611 0.0503
>> [U,S,V] = svd(X)
U =
-0.4577 -0.4718 -0.4059 0.0775 0.6302
-0.3540 -0.2899 0.4478 -0.7626 -0.0921
-0.4681 0.7519 0.2577 0.0364 0.3845
-0.4451 -0.2974 0.4591 0.6288 -0.3276
-0.4979 0.1989 -0.5980 -0.1252 -0.5825
S =
2.8977 0 0 0 0 0 0
0 1.0642 0 0 0 0 0
0 0 0.8453 0 0 0 0
0 0 0 0.5135 0 0 0
0 0 0 0 0.3272 0 0
V =
-0.4899 -0.4371 -0.2957 0.6550 -0.0821 -0.2095 -0.0427
-0.2493 0.5680 0.1100 0.2375 0.5788 -0.3107 0.3393
-0.3948 0.1273 -0.6878 -0.4510 -0.0790 0.1805 0.3355
-0.3528 -0.0220 -0.0232 -0.2011 0.5041 0.2254 -0.7275
-0.4208 0.2507 0.2651 -0.2806 -0.5051 -0.5408 -0.2520
-0.3898 0.2531 0.3832 0.2442 -0.2862 0.6940 0.1184
-0.2975 -0.5854 0.4579 -0.3637 0.2467 -0.0457 0.4047
>> U*S*V'
ans =
0.9797 0.1365 0.6614 0.5828 0.2259 0.2091 0.5678
0.2714 0.0118 0.2844 0.4235 0.5798 0.3798 0.7942
0.2523 0.8939 0.4692 0.5155 0.7604 0.7833 0.0592
0.8757 0.1991 0.0648 0.3340 0.5298 0.6808 0.6029
0.7373 0.2987 0.9883 0.4329 0.6405 0.4611 0.0503
>> S(5,5)=0
S =
2.8977 0 0 0 0 0 0
0 1.0642 0 0 0 0 0
0 0 0.8453 0 0 0 0
0 0 0 0.5135 0 0 0
0 0 0 0 0 0 0
>> U*S*V'
ans =
0.9967 0.0172 0.6777 0.4789 0.3301 0.2681 0.5170
0.2690 0.0292 0.2820 0.4387 0.5646 0.3712 0.8016
0.2627 0.8211 0.4792 0.4521 0.8239 0.8193 0.0281
0.8669 0.2612 0.0563 0.3880 0.4757 0.6502 0.6293
0.7217 0.4090 0.9733 0.5290 0.5443 0.4066 0.0973
>>
SVD实例的更多相关文章
- lapacke svd实例
参考 intel MTK实例 https://software.intel.com/sites/products/documentation/doclib/mkl_sa/11/mkl_lapack_e ...
- 奇异值分解(SVD)和简单图像压缩
SVD(Singular Value Decomposition,奇异值分解) 算法优缺点: 优点:简化数据,去除噪声,提高算法结果 缺点:数据的转换可能难于理解 适用数据类型:数值型数据 算法思想: ...
- 《学习opencv》笔记——矩阵和图像操作——cvInRange,cvInRangeS,cvInvert and cvMahalonobis
矩阵和图像的操作 (1)cvInRange函数 其结构 void cvInRange(//提取图像中在阈值中间的部分 const CvArr* src,//目标图像 const CvArr* lowe ...
- 最近学习工作流 推荐一个activiti 的教程文档
全文地址:http://www.mossle.com/docs/activiti/ Activiti 5.15 用户手册 Table of Contents 1. 简介 协议 下载 源码 必要的软件 ...
- 奇异值分解(SVD)实例,将不重要的特征值改为0,原X基本保持不变
>> s = rand(5,7) s = 0.4186 0.8381 0.5028 0.1934 0.6979 0.4966 0.6602 0.8462 0.0196 0.7095 ...
- 协同过滤和简单SVD优化
协同过滤(collaborative filtering) 推荐系统: 百度百科的定义是:它是利用电子商务网站向客户提供商品信息和建议,帮助用户决定应该购买什么产品,模拟销售人员帮助客户完成购买过程主 ...
- paper 128:奇异值分解(SVD) --- 线性变换几何意义[转]
PS:一直以来对SVD分解似懂非懂,此文为译文,原文以细致的分析+大量的可视化图形演示了SVD的几何意义.能在有限的篇幅把这个问题讲解的如此清晰,实属不易.原文举了一个简单的图像处理问题,简单形象,真 ...
- SVD分解的理解[转载]
http://www.bfcat.com/index.php/2012/03/svd-tutorial/ SVD分解(奇异值分解),本应是本科生就掌握的方法,然而却经常被忽视.实际上,SVD分解不但很 ...
- 转载:奇异值分解(SVD) --- 线性变换几何意义(下)
本文转载自他人: PS:一直以来对SVD分解似懂非懂,此文为译文,原文以细致的分析+大量的可视化图形演示了SVD的几何意义.能在有限的篇幅把这个问题讲解的如此清晰,实属不易.原文举了一个简单的图像处理 ...
随机推荐
- Linux shell join命令详解
Linux join命令 2012-02-09 17:49:00| 分类: SHELL | 标签:linux join 文件连接 |字号 订阅join命令 功能:“将两个文件里指定栏位同样的行连接起来 ...
- Docker的前世今生
核心知识点: 1.Docker的构想:对应用的封装.分发.部署.运行的生命周期的管理,一次封装到处运行 2.Docker的优点:一站式解决方案 3.Docker由LXC演变而来,迟迟没有集成到Linu ...
- dos与unix文件格式之间的转换
1. VI编辑器中转换 在VI中使用命令 set ff?(fileformat)可以查看文件的格式,使用set ff=dos(unix)可以设置文件的格式 2.使用sed处理(来至http://www ...
- pinpoint agent线程模型
pinpoint agent线程模型 以下分析基于pinpoint1.7.1版本 pinpoint agent主要使用到的异步线程有4个 DeadlockMonitorThread : 死锁监测线程, ...
- cache:annotation-driven" 的前缀 "cache" 未绑定
问题: Caused by: org.springframework.beans.factory.xml.XmlBeanDefinitionStoreException: Line 29 in XML ...
- css目录
想看css文章目录? 点击我
- linux下安装telnet(centos7)
1 环境 centos 7 yum已配置好 网络连接正常 2 检查是否已安装相关软件 rpm -qa|grep telnet 3 安装相关组件 yum install xinetd yum insta ...
- Java -- eclipse常用快捷键
- Oracle的控制文件和日志文件
--什么是控制文件 控制文件是数据库的一个二进制文件,它主要记录数据库的名称. 数据库的数据文件存放位置等信息. 一个控制文件只能属于一个数据库.如果控制文件丢失,这数据库就无法操作. --下面查询语 ...
- QuickReport FastReport
一.QuickReport1.安装Component->Install packages->X:/Program Files/Borland/Delphi7/Bin/dclqrt70.bp ...